Σε πρόσφατη μελέτη που δημοσιεύτηκε στο Επιστημονικές Εκθέσεις, Οι ερευνητές ανέπτυξαν έναν αλγόριθμο μηχανικής μάθησης (ML) για την πρόβλεψη της ολιγουρίας.
Επικύρωσαν την ακρίβειά του σε μια μεγάλη ομάδα ασθενών που εισήχθησαν σε ιατρικές ή χειρουργικές μονάδες εντατικής θεραπείας (ΜΕΘ) στο Πανεπιστημιακό Νοσοκομείο Chiba στην Ιαπωνία μεταξύ Νοεμβρίου 2010 και Μαρτίου 2019.
Μελέτη: Μοντέλο μηχανικής μάθησης για την πρόβλεψη της ολιγουρίας σε βαρέως πάσχοντες ασθενείς. Πίστωση εικόνας: LALAKA/Shutterstock.com
Ιστορικό
Η ολιγουρία, δηλαδή η παραγωγή ούρων <0,5 mL/kg/h, είναι ένα μέτρο που μπορεί να προβλέψει την οξεία νεφρική βλάβη (ΑΚΙ) σε ασθενείς ΜΕΘ.
Το AKI, που χαρακτηρίζεται από ταχεία αύξηση των επιπέδων κρεατινίνης ορού ή μείωση της παραγωγής ούρων, είναι η κύρια αιτία επιπλοκών κατά τις εισαγωγές στη ΜΕΘ, η οποία, στη χειρότερη περίπτωση, μπορεί να οδηγήσει ακόμη και σε δυσλειτουργία οργάνων και θάνατο.
Η έγκαιρη ανίχνευση και η έγκαιρη παρέμβασή της μπορεί να βελτιώσει την πρόγνωση των βαρέως πασχόντων ασθενών στη ΜΕΘ, δείχνοντας περαιτέρω διαγνωστικές επιπτώσεις για την ολιγουρία στη διαχείριση της ΑΚΙ.
Μελέτες έχουν αξιολογήσει προσεγγίσεις ML για την πρόβλεψη της παραγωγής ούρων σε βαρέως πάσχοντες ασθενείς. Ωστόσο, η ακρίβειά τους στην πρόβλεψη της ολιγουρίας σε ένα περιβάλλον ΜΕΘ παραμένει άγνωστη.
Σχετικά με τη μελέτη
Στην παρούσα μελέτη, οι ερευνητές χρησιμοποίησαν έναν αλγόριθμο ML για να προβλέψουν την ολιγουρία σε βαρέως πάσχοντες ασθενείς, που εμφανίζεται στις 6 και 72 ώρες, ξεκινώντας από έναν αυθαίρετο χρόνο κατά τη διάρκεια της παραμονής τους στη ΜΕΘ.
Όρισαν το AKI ως ένα επίπεδο κρεατινίνης ορού τουλάχιστον 0,3 mg/dL πάνω από την αρχική τιμή και την ολιγουρία ως παραγωγή ούρων μικρότερη από 0,5 mL/kg/h.
Τα ηλεκτρονικά αρχεία υγείας ασθενών (EHRs), δηλαδή το αρχικό σύνολο δεδομένων της μελέτης, περιελάμβανε 1.031 μεταβλητές εισόδου, όπως τις φυσιολογικές τους μετρήσεις, εξετάσεις αίματος, φάρμακα, αρχεία γενικής παρατήρησης και φροντίδας και λεπτομέρειες μετάγγισης αίματος.
Η ομάδα υπολόγισε πίνακες ωριαίων χρονοσειρών των όγκων ούρων και κοπράνων των ασθενών (φυσιολογικές μετρήσεις) και χρησιμοποίησε τις πιο πρόσφατες τιμές δοκιμής που χρησιμοποιήθηκαν για εξετάσεις αίματος.
Χρησιμοποιώντας αυτές τις ωριαίες μεταβλητές και τις βασικές πληροφορίες, η ομάδα ανέπτυξε ένα μοντέλο ML για την πρόβλεψη της ολιγουρίας σε ασθενείς ΜΕΘ.
Σε αυτό, πρόσθεσαν 222 μεταβλητές βασικών πληροφοριών, π.χ. ηλικία, που οδήγησε σε 1.127 μεταβλητές στο τελικό σύνολο δεδομένων.
Επιπλέον, αφαίρεσαν τις πιθανές τιμές συγγραμμικότητας και αντιμετώπισαν τις τιμές που λείπουν χωριστά ή τις απέκλεισαν από την ανάλυση.
Η ομάδα επικύρωσε την απόδοση τεσσάρων ταξινομητών ML χρησιμοποιώντας μια πενταπλή διασταυρούμενη επικύρωση, όπου η καμπύλη βαθμονόμησης έδειξε ότι το μοντέλο ήταν καλά βαθμονομημένο.
Το μοντέλο πρόβλεψης LightGBM έδειξε την καλύτερη ταχύτητα και περιοχή κάτω από την καμπύλη (AUC). Οι τιμές AUC κυμαίνονταν από μηδέν έως ένα, με το ένα να δείχνει τέλεια πρόβλεψη.
Επιπλέον, οι τιμές επεξήγησης προσθέτων Shapley (SHAP) βοήθησαν στην αξιολόγηση βασικών μεταβλητών, βελτιώνοντας την ερμηνευσιμότητα των μοντέλων ML.
Τα μεμονωμένα διαγράμματα δυνάμεων SHAP βοήθησαν να απεικονιστεί ο αντίκτυπος διαφορετικών μεταβλητών στην πιθανότητα εμφάνισης ολιγουρίας, ενισχύοντας περαιτέρω την κατανόηση της εμφάνισης ολιγουρίας σε δύο ασθενείς, έναν με ολιγουρία και έναν χωρίς ολιγουρία, με βάση τα χαρακτηριστικά τους.
Αποτελέσματα
Από 9.241 ασθενείς ΜΕΘ που συμπεριλήφθηκαν στη μελέτη, το 27,4% και το 30,2% είχαν παραγωγή ούρων <0,5 mL/kg/h για έξι ώρες και AKI, αντίστοιχα. Το μοντέλο ML έδειξε AUC 0,964 για την πρόβλεψη της ολιγουρίας στις έξι ώρες χρησιμοποιώντας ορισμένες μεταβλητές.
Η διασταυρούμενη επικύρωση οδήγησε σε ελαφρώς χαμηλότερη AUC 0,920, αλλά κοντά στην αρχική AUC, υποδηλώνοντας την υψηλή ακρίβεια του μοντέλου στην πρόβλεψη της ολιγουρίας στις έξι ώρες.
Οι τιμές SHAP που βρέθηκαν να είναι σημαντικές για την πρόβλεψη της ολιγουρίας στις έξι ώρες ήταν η βαθμολογία διαδοχικής αξιολόγησης ανεπάρκειας οργάνων (SOFA), τιμές ούρων, επίπεδα κρεατινίνης ορού, κινάση κρεατινίνης, ολική χολερυθρίνη, μερική πίεση οξυγόνου (pO2), ιντερλευκίνη (IL)-6, ινωδογόνο /προϊόντα αποικοδόμησης ινώδους (FDP) και περιφερειακή θερμοκρασία. Αυτές οι μεταβλητές προέβλεψαν επίσης καλά την ολιγουρία στις 72 ώρες.
Κατά τη σύγκριση δύο ασθενών με διαφορετικά χαρακτηριστικά, η ανάλυση SHAP πρότεινε ότι ένας υψηλότερος όγκος ούρων μείωσε την πιθανότητα εμφάνισης ολιγουρίας και τα αυξημένα επίπεδα γαλακτικής αφυδρογονάσης (LDH) & FDP αύξησαν αυτήν την πιθανότητα.
Επομένως, το μοντέλο προέβλεψε μικρότερη πιθανότητα εμφάνισης ολιγουρίας στις έξι ώρες για τον πρώτο ασθενή.
Στον δεύτερο ασθενή, υψηλότερη βαθμολογία οξείας φυσιολογίας και αξιολόγησης χρόνιας υγείας (APACHE) II και χαμηλότερος όγκος ούρων αύξησαν την πιθανότητα ολιγουρίας και τα φυσιολογικά επίπεδα ουρικού οξέος (UA), LDH και IL-6 τη μείωσαν. Το μοντέλο, επομένως, προέβλεψε αυξημένο κίνδυνο ολιγουρίας στις έξι ώρες για αυτόν τον ασθενή.
Η AUC του μοντέλου πρόβλεψης για ολιγουρία στις 72 ώρες ήταν 0,916, και πάλι, υποδηλώνοντας την υψηλή ακρίβειά του.
Στις αναλύσεις της υποομάδας, η ακρίβεια του μοντέλου στις ομάδες θηλυκών και φουροσεμίδης μειώθηκε με την πάροδο του χρόνου σε σχέση με τις άλλες ομάδες, με σχετικά υψηλή ακρίβεια (AUC = 0,86) ακόμη και στις 72 ώρες.
συμπεράσματα
Σύμφωνα με τους συγγραφείς, προηγούμενες μελέτες έχουν επαληθεύσει την ακρίβεια ενός μοντέλου ML για την πρόβλεψη του AKI σε βαρέως πάσχοντες ασθενείς αλλά με μικρότερη ακρίβεια, AUC στην περιοχή από 0,74 έως 0,93.
Το τρέχον μοντέλο μελέτης, αντίθετα, έδειξε υψηλότερη ακρίβεια (> 0,90), την οποία απέδωσαν στο μεγάλο μέγεθος του δείγματος και στην επιλογή μιας μεθόδου πρόβλεψης της έναρξης της ολιγουρίας από αυθαίρετο χρόνο, που οδήγησε σε περισσότερα σύνολα δεδομένων εκπαίδευσης.
Επειδή η ολιγουρία θα μπορούσε να εντοπίσει περισσότερους ασθενείς με AKI νωρίτερα από τη διάγνωση με βάση τα επίπεδα κρεατινίνης ορού, το μοντέλο της μελέτης θα μπορούσε να βοηθήσει στην έγκαιρη ανίχνευση ασθενών με AKI, βελτιώνοντας πολλαπλά την πρόγνωση αυτού του πληθυσμού μέσω καλύτερης διαχείρισης και πρώιμων παρεμβάσεων.
Η μελλοντική εργασία μπορεί να επικεντρωθεί στην περαιτέρω επικύρωση της ακρίβειας των μοντέλων πρόβλεψης που βασίζονται σε ML.
Αναφορά περιοδικού:
-
Yamao, Y., Oami, T., Yamabe, J., Takahashi, N., & Nakada, T. (2024). Μοντέλο μηχανικής μάθησης για την πρόβλεψη της ολιγουρίας σε βαρέως πάσχοντες ασθενείς. Επιστημονικές Εκθέσεις, 14(1), 1-9. doi: https://doi.org/10.1038/s41598-024-51476-y. https://www.nature.com/articles/s41598-024-51476-y